编辑推荐：
在脑机接口（BMI）用于上肢运动控制与康复的研究中，解码多维手部运动面临挑战。研究人员开展基于运动想象（MI）脑电图（EEG）协同手部运动生成的研究。结果显示能成功预测手部关节角速度模式，为上肢运动障碍康复提供了新途径。
在现代医疗科技不断发展的当下，脑机接口（BMI）宛如一颗璀璨的新星，为那些因上肢瘫痪而生活受限的患者带来了新的希望。BMI 旨在建立大脑与外部设备之间的直接连接，帮助患者恢复运动功能，提升生活质量。然而，这条探索之路并非一帆风顺。目前，基于多类意图检测的 BMI 主要依赖基本运动任务想象，在利用传感器级 EEG 信号检测特定手 / 手指运动时困难重重。因为精确的手部运动涉及复杂的手指协调，其激活区域无法被记录电极有效分离，这使得从 MI - based EEG 中解码多维手部运动成为一个极具挑战性的难题。同时，现有的运动分类方式也限制了手部灵活、自然的运动控制，患者难以依据动态和自发意图与环境互动。
为了突破这些困境，来自国外（University of Maryland Baltimore County）的研究人员踏上了探索之旅，开展了一项极具意义的研究。他们致力于探究能否基于运动想象（MI）的 EEG 信号，实现协同（synergy） - 基于的手部运动生成，为上肢运动障碍患者寻找更有效的康复途径。
研究人员招募了 10 名健康的右利手受试者参与实验。在实验中，受试者需要完成 6 种模拟日常生活（ADL）的手部抓握动作，包括抓取水瓶（圆柱形抓握）、门把手（钩状抓握）、信用卡（侧方抓握）、螺丝（捏合抓握）、螺丝刀（三脚架抓握）和球（球形抓握）。实验分为运动执行（ME）和运动想象（MI）两个阶段。在 ME 阶段，受试者根据听觉提示进行伸手 - 抓握 - 握持的手部运动；在 MI 阶段，则需在无明显动作的情况下想象抓握物体。实验过程中，研究人员利用 CyberGlove 以 125Hz 的采样率记录手部关节角度，通过高密度 EEG 帽采集 45 个位于运动相关区域电极的 EEG 信号，同时使用 8 通道 Delsys Trigno 无线 EMG 系统记录前臂肌电图（EMG），以确保上肢无运动相关活动。
在数据处理与分析方面，研究人员首先从 ME 阶段记录的手部运动学数据（关节角速度）中提取手部运动协同。具体方法是根据协同 - 基于的手部运动模型，通过奇异值分解（SVD）将手部运动学数据分解，选取前 6 个协同（解释 95% 的方差）。对于 EEG 信号，先进行全局噪声校正、滤波（3 - 58Hz），去除基线，再将其分为 4 个频率范围（8 - 13Hz（μ 波）、13 - 30Hz（β 波）、8 - 30Hz（μ + β）、8 - 58Hz（μ + β + 低 γ））。通过主成分分析（PCA）从每个任务的所有电极和重复数据中提取主成分，选取解释 90% 方差的 7 个成分作为神经特征，并将相应系数与运动协同权重相关联。利用线性多元回归模型建立神经系数与手部运动学权重的关系，并通过 10 折交叉验证评估模型在个体内和个体间的解码性能。
研究结果令人振奋。在所有运动任务和个体中，从 ME 和 MI 的 EEG 信号中解码手部运动学的准确率分别高达 89.7% 和 95.5%。不同 EEG 频率带的解码结果显示，在 ME 解码中，4 种带宽的 EEG 波解码准确率无显著差异；而在 MI 解码中，β 波（13 - 30Hz）表现最佳，通常认为的 MI 相关 EEG 频率范围 8 - 30Hz 的解码准确率略低于 β 波和更宽的 8 - 58Hz 频段，μ 波（8 - 13Hz）的解码准确率最低。研究还发现，不同抓握类型对解码结果有显著影响。例如，拇指和食指在需要高精度操作的抓握任务（如侧方抓握、捏合抓握和三脚架抓握）中解码误差较高；而环指和小指在不同运动中的表现较为稳定。在个体间解码方面，平均解码准确率为 70.8 ± 5.5%，虽然低于个体内解码准确率，但仍能成功重建手部运动学，且手部三脚架抓握的最终姿势与记录运动具有高度相似性。
在讨论部分，研究人员指出，该研究提出的基于运动想象的手部协同神经解码模型，为动态手部运动轨迹解码提供了新方法，支持了非侵入性协同 - 基于的 BMI 在神经运动控制和上肢运动障碍康复中的潜在应用。与以往研究相比，该模型基于协同简化了运动轨迹的解码，提高了性能。然而，研究也面临一些挑战。在个体间解码时，由于个体运动原语的差异，导致协同模式不同，影响了解码性能，提高模型在不同个体，尤其是上肢运动障碍个体中的泛化性仍是未来研究的重点。此外，年龄、性别、手优势等因素对协同形成和神经解码的影响尚不清楚，需要进一步探索。对于中风患者等上肢运动障碍人群，虽然基于协同的 BMI 为康复提供了新的可能，但由于患者大脑运动相关区域皮质节律异常、手指活动能力受损等问题，限制了模型的应用，仍需深入研究如何克服这些障碍。
综上所述，该研究成功开发了基于运动想象神经活动的协同 - 基于模型，能够解码手部运动轨迹，为上肢运动障碍患者的康复带来了新的希望。研究揭示的运动执行和运动想象之间的功能关系，为运动控制和康复领域开辟了新的道路。通过捕捉协同的神经关联，BMI 有望超越意图解码，实现对辅助机器人和外骨骼的直观控制。研究中使用不同 EEG 节律获得的高解码准确率，也为通过非侵入性皮质活动解码手部运动提供了可能，为中风患者等人群的手部运动解码带来了新的契机，对推动神经康复领域的发展具有重要意义。
关键技术方法：研究人员主要采用了以下关键技术方法。一是多模态数据采集技术，使用 CyberGlove 采集手部关节角度数据、高密度 EEG 帽采集 EEG 信号、8 通道 Delsys Trigno 无线 EMG 系统记录前臂 EMG 信号。二是数据处理与分析技术，包括利用奇异值分解（SVD）提取手部运动协同，通过主成分分析（PCA）处理 EEG 信号并提取神经特征，以及运用线性多元回归模型进行神经解码和 10 折交叉验证评估模型性能。
